-

Opzetten van een Data Team – Hoe haal je meer inzichten uit data?

Als Head of Science bij Growth Tribe helpt Bernardo Nunes teams om AI technologieën breder toe te passen, vaak zonder dat hier een regel code voor nodig is. Door het opleiden van talent in het 12-Month Data Science for Business Traineeship helpt hij data vaardigheden op te bouwen voor bedrijven zoals Philips, Rabobank, TomTom en Unilever. In het programma leidt hij een nieuwe generatie van business-savvy data scientists op om meer inzichten uit data te halen.

Accepteer analytische cookies en tracking cookies om deze video te bekijken.

Data engineers, Data Scientists, BI specialisten, Data-analisten. 

Wat doen ze? Wat zijn hun vaardigheden? Hoe passen ze samen in een productief team? Als u meer inzichten uit data wilt halen, dan komt dit artikel op het juiste moment.. 

Ik zal eerst belichten welke belangrijkste rollen uw bedrijf het eerst moet ontwikkelen aan de hand van op basis van de huidige datavaardigheden. Daarnaast, zal ik ook andere bronnen delen om uw kennis te vergroten van de rollen die steeds crucialer worden voor bedrijven in allerlei sectoren. 

Laten we beginnen met een kort opdrachtje. 

Denk eens na over hoe het internet verschillende sectoren en de arbeidsmarkt jaren geleden heeft veranderd. Dit is nuttig om een weg te vinden in het huidige gebruik van data analytics en kunstmatige intelligentie in het bedrijfsleven.

In de jaren negentig bijvoorbeeld, begonnen we digitale informatie uit te wisselen met bedrijven. Het duurde niet lang voordat software engineers, web developers, SEO specialisten, digital marketeers enz. populaire beroepen werden; de voorvechters van de toepassing van online kanalen in ons dagelijks leven. 

Dit fenomeen ‘dwong’ bedrijven om een vorm van digitale transformatie toe te passen. En dit brengt ons terug naar het heden: een fase waarin miljarden gekoppelde apparaten – het zogeheten Internet of Things – massa’s data genereren. Bedrijven gebruiken deze data om hun diensten te personaliseren en inzicht te krijgen in hoe ze nieuwe waardeproposities kunnen creëren. 

Kunstmatige intelligentie is de afgelopen vijf jaar ook een stuk goedkoper geworden en daarmee toegankelijker. Vandaag de dag leiden de internetgiganten van toen – Amazon, Google en Microsoft – de AI toestroom van cognitieve diensten (stem en visie) en online reclame (personalisatie). Dit lange termijn fenomeen begon jaren geleden met het digitaliseringsproces, gevolgd door de digitalisatie van informatie. 

De meeste bedrijven waren gedwongen hun bedrijfsmodellen te transformeren in digitale platforms en namen mensen aan die dit konden doen. 

Tegenwoordig worden bedrijven weer in een positie geduwd om datatransformatie of AI-transformatie toe te passen vanwege het concurrentievoordeel dat data een bedrijf geeft. Bedrijven die gebaseerd zijn op mensen die repetitieve en voorspelbare taken moeten uitvoeren, kunnen zelfs overwegen om beiden toe te passen. 

Dit leidt meteen tot het eerste misverstand: bedrijven denken dat alle data adequaat verkregen en schoon moet zijn voordat ze dit kritisch kunnen beoordelen en hier conclusies aan kunnen verbinden. 

In plaats van aan te nemen dat het huidige niveau van analytische vaardigheden de enige motor achter productiviteit is, moeten bedrijven eerst focussen op quick wins en pilot projecten om momentum te creëren. Dit is een toegankelijke manier om te ontdekken welke data opgeslagen moet worden en welke kenmerken moeten worden ontwikkeld zodat u uw analytics kan verbeteren.

Een paar voorbeelden van deze pilot projecten zijn: 

  • een data-gedreven persona-analyse met bestaande CRM data uitvoeren, 
  • een eenvoudig voorspellend model creëren dat al beter presteert dan een menselijke beslisser, 
  • een dataverwervings strategie ontwerpen voor een product dat binnenkort zal worden gelanceerd

.Om deze pilot projecten te kunnen uitvoeren, moet een bedrijf in contact komen met recruiters en een data scientist vinden met vijf jaar ervaring en een Phd in machine learning zodat het analyticsteam geïntegreerd wordt, toch?

Niet echt!

Als het bedrijf nog steeds geen beslissers heeft die al begrijpen waarom experimenteren relevant is en wat AI kan doen, zal het aannemen van data scientists alleen maar leiden tot frustratie op alle fronten. 

Het gevolg hiervan is dat het management geen vragen zal stellen over bruikbare data, en er geen duidelijke standaarden zullen zijn om te optimaliseren. Er zijn beslissers nodig die op de hoogte zijn van wat AI kan doen en die het bedrijf kunnen helpen om strategische zakelijke beslissingen te nemen.  

Dit biedt niet alleen kansen voor het bedrijf, maar ook voor werkzoekenden. Het beheersen van de vaardighedenset helpt professionele frustraties te verminderen en voorstellen te voorkomen van bedrijven die hun beslissers nog niet hebben bijgeschoold.

Zodra het bedrijf haar beslissers heeft geschoold, moeten er teamleden zijn die data kunnen analyseren en in staat zijn om verborgen connecties of interessante patronen in data te identificeren. De vaardigheden die nodig zijn, zijn een combinatie van toegepaste machine learning, statistiek en traditionele analytics.

Nu vraagt u zich waarschijnlijk af: is het niet erg duur om de drie-in-een aan te nemen?

Er is echter nog een andere manier: door het bijscholen en ontwikkelen van huidige specialisten. Bijvoorbeeld door BI specialisten of data-analisten transformeren in data scientists.

In deze stap zien we dat bedrijven vaak de fout in gaan. Bedrijven weten namelijk vaak niet welke vaardigheden ze nodig hebben om hun datacapaciteiten te ontwikkelen. Ze vertrouwen op de arbeidsmarkt en nemen nieuwe specialisten aan te nemen in plaats van potentieel talent binnen het bedrijf op te leiden. Een BI specialist of data-analist zou omgeschoold kunnen worden tot een data scientist, of een ontwikkelaar kan een cloud specialist of data engineer worden.

Data scientists hebben wat data nodig om te beginnen met pilot projecten. Hierdoor werken ze vaak aan projecten om eerst data te structuren.

Dit is het moment waarop een andere fout zich meestal voordoet. 

Bedrijven nemen een business-savvydata scientist aan terwijl ze nog geen draagvlak hebben voor data-integratie.

Of het tegenovergestelde.

Ze nemen Type-B data scientists (de bouwers) of data engineers aan terwijl ze professionals nodig hebben die pilot projecten ontwikkelen en de resultaten communiceren naar de rest van de organisatie. Deze Type-B data scientists hebben niet de juist vaardigheden om de resultaten te communiceren omdat ze vaak storytelling en data visualisatie vaardigheden missen. Dat resulteert in het niet toepasbaar maken van data projecten en waardoor de meeste projecten uiteindelijk weinig waarde toevoegen in het bedrijf. We noemen dit het ‘Laatste-mijl-probleem’. 

Om meer data projecten te laten slagen heb je een Type-A, business-savvy data scientist nodig die pilot projecten kan opzetten door data inzichten visueel, pakkend en effectief te communiceren. Tegelijkertijd bouwt het bedrijf aan de interne vaardigheden van het data team. Daarbij zal er op termijn ook de mogelijkheid zijn om een gestructureerde datapijplijn te ontwikkelen en het aan te laten sluiten op een eindgebruiker zoals een externe klant of werknemer.

Tot slot zijn er analytical translators nodig om de data projecten te implementeren binnen verschillende bedrijfsafdelingen. Deze rollen helpen om de toepasbaarheid en samenwerking van het datateam met de rest van de organisatie te bevorderen.

Zoals het internettijdperk nieuwe professionals als software engineers en web developers vereisten, zo vereist de datatransformatie waar bedrijven zich nu mee bezig houden ook al nieuwe rollen. 

Hoe ziet uw data strategie er uit voor 2020? Bent u al gestart met data pilot projecten, haalt u genoeg inzichten uit data, kunt u bijscholing gebruiken of wilt u juist uw team versterken?

Benieuwd hoe een business-savvy data scientist (Type-A) u kunt helpen om meer inzichten uit data te halen? Neem contact op met een data consultant van Growth Tribe voor een persoonlijk advies.

Deel dit bericht

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond